Deteksi BPM dan Nada Otomatis: Cara Kerjanya (2025)

Kebanyakan DJ dan produser menghabiskan berjam-jam menandai BPM dan nada secara manual di perpustakaan musik mereka. Bagaimana jika setiap lagu datang dengan metadata tersebut secara otomatis — akurat, konsisten, dan siap digunakan?

TL;DR: StemSplit sekarang secara otomatis mendeteksi BPM (tempo) dan nada musik untuk setiap lagu yang diproses menggunakan librosa — library Python standar industri untuk analisis audio. Data ini muncul di halaman detail pekerjaan dan tersedia melalui API kami dan endpoint RapidAPI. Deteksi BPM menganalisis 60 detik untuk akurasi, sementara deteksi nada menggunakan 120 detik dengan fitur chroma dan korelasi profil nada.

Apa Itu Deteksi BPM dan Nada?

BPM (Beats Per Minute) memberitahu Anda tempo sebuah lagu — seberapa cepat beat-nya. Penting untuk DJ yang perlu mencocokkan tempo antar lagu dan produser yang ingin tahu kecepatan tepat sebuah lagu.

Nada Musik mengidentifikasi pusat harmonik sebuah lagu — seperti "C mayor" atau "A minor". Kritis untuk harmonic mixing, di mana DJ melakukan transisi antar lagu dalam nada yang kompatibel untuk blend yang lebih halus.

Bersama-sama, metadata BPM dan nada mengubah cara Anda mengorganisir dan bekerja dengan musik. Tidak ada lagi tebakan, tidak ada lagi entri manual.

Bagaimana StemSplit Mendeteksi BPM dan Nada

Kami membangun fitur ini menggunakan librosa — library Python yang sama yang digunakan oleh Spotify, YouTube Music, dan software produksi musik utama. Inilah mengapa ini pilihan yang tepat dan cara kerjanya.

Mengapa librosa?

Standar Industri: librosa adalah standar de facto untuk music information retrieval di Python. Digunakan oleh:

Spotify untuk analisis audio
YouTube Music untuk identifikasi konten
Institusi penelitian untuk music information retrieval
Software audio profesional untuk deteksi tempo/nada

Akurasi Terbukti: Algoritma di librosa didasarkan pada penelitian selama puluhan tahun dalam music information retrieval. Mereka telah diuji pada jutaan lagu dan disempurnakan melalui penelitian akademis.

Open Source & Terpelihara: Tidak seperti solusi proprietary, librosa adalah open source, aktif dipelihara, dan transparan tentang metodenya. Anda dapat memverifikasi persis bagaimana deteksi bekerja.

Proses Deteksi BPM

Deteksi BPM kami menganalisis 60 detik audio — titik manis antara akurasi dan kecepatan.

Cara kerjanya:

Deteksi Onset — Mengidentifikasi awal peristiwa musik (beat, nada, transien)
Estimasi Tempo — Menganalisis jarak antar onset untuk menemukan tempo yang mendasari
Pelacakan Beat — Menyempurnakan estimasi tempo dengan melacak pola beat aktual

Hasilnya: Nilai BPM yang tepat dibulatkan ke satu desimal (mis: 128,3 BPM).

Mengapa 60 detik? Penelitian menunjukkan bahwa 60 detik menangkap cukup konten musik untuk deteksi tempo yang dapat diandalkan. Sampel lebih pendek (<20 detik) bisa tidak akurat, terutama dengan perubahan tempo. Sampel lebih panjang (>60 detik) memberikan hasil yang semakin berkurang — waktu ekstra tidak secara signifikan meningkatkan akurasi.

Proses Deteksi Nada

Deteksi nada kami menganalisis 120 detik audio untuk akurasi maksimal.

Cara kerjanya:

Ekstraksi Fitur Chroma — Menganalisis profil kelas pitch (nada mana yang hadir)
Rata-rata Temporal — Menghitung rata-rata fitur chroma sepanjang waktu untuk stabilitas
Korelasi Profil Nada — Membandingkan profil chroma ke template nada mayor dan minor (profil Krumhansl-Schmuckler)
Deteksi Mode — Menentukan apakah nadanya mayor atau minor berdasarkan kekuatan korelasi

Hasilnya: Tanda tangan nada seperti "C", "Am", "F#", atau "Dm".

Mengapa 120 detik? Deteksi nada membutuhkan lebih banyak audio daripada BPM karena konten harmonik dapat bervariasi sepanjang lagu. 120 detik memastikan kami menangkap karakter harmonik keseluruhan, bukan hanya satu bagian. Ini terutama penting untuk lagu dengan perubahan nada atau progresi harmonik yang kompleks.

Di Mana Anda Akan Melihat BPM dan Nada

Di Halaman Detail Pekerjaan

Setiap pekerjaan yang selesai sekarang menampilkan BPM dan nada secara menonjol di bagian atas halaman — tepat setelah judul dan durasi. Mereka muncul dalam badge yang dibuat dengan gaya yang membuat informasi tidak mungkin terlewatkan.

Ditampilkan untuk:

Pekerjaan pemisahan stem yang diunggah
Pekerjaan YouTube
Pekerjaan SoundCloud

Dalam Respons API

BPM dan nada disertakan dalam field audioMetadata untuk semua jenis pekerjaan.

Endpoint API:

GET /api/v1/jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key
GET /api/v1/youtube-jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key
GET /api/v1/soundcloud-jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key

Endpoint RapidAPI:

GET /rapidapi/v1/jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key
GET /rapidapi/v1/youtube-jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key
GET /rapidapi/v1/soundcloud-jobs/{id} — Mengembalikan audioMetadata.bpm dan audioMetadata.key

Untuk dokumentasi API lengkap, lihat Referensi Developer kami.

Membangun aplikasi yang membutuhkan data BPM dan nada? API kami memudahkan akses ke metadata ini secara terprogram. Lihat dokumentasi developer kami untuk memulai.

Akurasi dan Batasan

Akurasi Deteksi BPM

Yang berfungsi dengan baik:

Tempo yang jelas dan konsisten
Rilis komersial yang diproduksi dengan baik
Lagu dengan elemen ritmik yang menonjol

Tantangan:

Lagu dengan perubahan tempo (rubato, accelerando)
Tempo sangat lambat atau sangat cepat (di luar rentang 60-200 BPM)
Musik ambient atau ritmik yang ambigu

Akurasi tipikal: Dalam ±1 BPM untuk sebagian besar musik komersial.

Akurasi Deteksi Nada

Yang berfungsi dengan baik:

Lagu dengan pusat tonal yang jelas
Nada mayor/minor standar
Rilis komersial yang diproduksi dengan baik

Tantangan:

Musik modal (Dorian, Mixolydian, dll.) — mungkin mendeteksi mayor/minor relatif
Lagu dengan perubahan nada yang sering
Musik atonal atau sangat kromatik
Lagu sangat pendek (<30 detik)

Akurasi tipikal: 85-95% identifikasi nada yang benar untuk musik pop/rock/elektronik standar.

FAQ

Seberapa akurat deteksi BPM?

Untuk sebagian besar musik komersial dengan tempo konsisten, deteksi BPM akurat dalam ±1 BPM. Lagu dengan perubahan tempo atau ritme ambigu mungkin memiliki hasil yang kurang akurat.

Seberapa akurat deteksi nada?

Deteksi nada mencapai akurasi 85-95% untuk musik pop, rock, dan elektronik standar. Musik modal atau lagu dengan perubahan nada yang sering mungkin kurang akurat.

Bisakah saya menonaktifkan deteksi BPM dan nada?

Ya — hanya untuk file yang diunggah. Gunakan toggle "Aktifkan Analisis Audio" di antarmuka unggah. Pekerjaan YouTube dan SoundCloud selalu menyertakan deteksi BPM dan nada.

Bagaimana jika lagu berubah nada atau tempo?

Deteksi mengidentifikasi nada dan tempo utama — yang mendominasi sebagian besar lagu. Untuk lagu dengan perubahan, ini melaporkan nilai yang paling menonjol.

Apakah data ini tersedia melalui API?

Ya. BPM dan nada disertakan dalam field audioMetadata untuk semua jenis pekerjaan. Lihat Referensi Developer kami untuk dokumentasi API lengkap.

Library apa yang digunakan StemSplit untuk deteksi?

Kami menggunakan librosa — library Python standar industri untuk music information retrieval. Ini adalah library yang sama yang digunakan oleh Spotify, YouTube Music, dan software audio utama.

Kesimpulan

Deteksi BPM dan nada otomatis mengubah cara Anda bekerja dengan musik. Tidak ada lagi penandaan manual, tidak ada lagi tebakan. Setiap lagu yang diproses melalui StemSplit dilengkapi dengan metadata tempo dan nada yang akurat — siap digunakan dalam set DJ, produksi, atau aplikasi Anda.

Baik Anda mencampur lagu, merencanakan remix, atau membangun aplikasi musik, memiliki data BPM dan nada yang tersedia secara otomatis menghemat waktu dan membuka kemungkinan kreatif baru.

Mulai Menggunakan Deteksi BPM dan Nada

Setiap lagu yang Anda proses melalui StemSplit sekarang menyertakan deteksi BPM dan nada otomatis.

✅ Didukung oleh librosa — akurasi standar industri
✅ Tersedia melalui API dan RapidAPI
✅ Ditampilkan secara menonjol di halaman pekerjaan
✅ Berfungsi untuk unggahan, YouTube, dan SoundCloud

Coba Pemisahan Stem dengan Deteksi BPM/Nada →